MétaCan
Menu
Retour à la cohorte
Enregistrement W2884179990 · doi:10.1111/poms.12927

Investment in Environmental Process Improvement

2018· article· en· W2884179990 sur OpenAlex
Wenli Xiao, Cheryl Gaimon, Ravi Subramanian, Markus Biehl

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueProduction and Operations Management · 2018
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSustainable Supply Chain Management
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésProcess (computing)Industrial organizationInvestment (military)Product (mathematics)BusinessTime horizonKey (lock)SubsidyProduction (economics)Environmental economicsComputer scienceMicroeconomicsEconomicsFinance

Résumé

récupéré en direct d'OpenAlex

We analyze a firm's investment in environmental process improvement (EPI) to reduce the environmental impact (EI) of its manufacturing processes in relation to various internal firm characteristics and in response to different external regulatory drivers. We provide a deep understanding of how these internal and external forces cause the firm to pursue EPI earlier or later in the planning horizon and at an increasing or a decreasing rate over time. In particular, we show how a regulator can drive different patterns of EPI over time through subsidies for EPI or penalties for EI. We also explore the impacts of two key operational capabilities of the firm—the production‐cost efficiency of EPI and the effectiveness of EPI in reducing EI—on the rate of EPI over time. We demonstrate that improvements in these operational capabilities contrastingly alter the timing of investments in EPI. Lastly, we demonstrate that a firm capable of leveraging EPI to enhance product functionality or command a reputational premium in the marketplace pursues a remarkably different pattern of EPI over time compared to a cost‐focused firm that only responds to regulatory forces.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,697
Score d'incertitude au seuil0,818

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,007
Tête enseignante GPT0,210
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle